使用R写出k-means的基础算法

以下是使用R语言实现k-means基础算法的代码：

# 假设有n个样本，每个样本有m个特征
# k表示聚类的个数
k_means <- function(data, k, max_iter = 100) {
  # 随机选取k个数据点作为聚类中心
  centers <- data[sample(nrow(data), k), ]
  
  # 初始化聚类结果和迭代次数
  clusters <- rep(0, nrow(data))
  iter <- 0
  
  # 迭代过程
  repeat {
    # 计算每个样本点到各个聚类中心的距离，选择最近的一个聚类中心作为其所属的簇
    for (i in 1:nrow(data)) {
      distances <- apply(centers, 1, function(x) sum((x - data[i,])^2))
      clusters[i] <- which.min(distances)
    }
    
    # 更新聚类中心
    for (j in 1:k) {
      centers[j,] <- colMeans(data[clusters == j,])
    }
    
    # 判断是否达到最大迭代次数或者聚类结果不再变化
    iter <- iter + 1
    if (iter >= max_iter || all(clusters == old_clusters)) {
      break
    }
    old_clusters <- clusters
  }
  
  # 返回聚类结果和聚类中心
  return(list(clusters = clusters, centers = centers))
}

其中，data表示输入的样本数据，每一行代表一个样本，每一列代表一个特征；k表示聚类的个数；max_iter表示最大迭代次数，默认为100。返回值为一个list，包括聚类结果和聚类中心。